Der nächste Dienstag könnte dem letzten Dienstag ähneln. Diese schlichte Vermutung ist ein ernsthafter Gegner für jede beeindruckende Prognosekurve. Wenn eine KI die Zukunft eines Kursraums, einer Messreihe oder einer Materialnachfrage schätzen soll, muss sie mehr leisten, als eine glatte Linie hinter vorhandene Daten zu zeichnen.
Mistral stellte Timestral am 15. Oktober 2026 als Familie von Zeitreihenmodellen vor. Die Ankündigung beschreibt probabilistische Vorhersagen und die Verwendung vergangener sowie bereits bekannter zukünftiger Zusatzvariablen. Herstellerbenchmarks ersetzen dabei keinen Vergleich auf einer eigenen, verstandenen Reihe.
Die Reihenfolge ist Teil der Information
Eine Zeitreihe enthält Werte mit einem zeitlichen Bezug. Für eine Prognose zählen nicht nur die Zahlen, sondern auch Abstand, Reihenfolge und das Wissen zum damaligen Zeitpunkt. Ein später bekannt gewordenes Ereignis darf nicht unbemerkt in die frühere Vorhersage geraten.
Bekannt zukünftige Information kann etwa ein bereits veröffentlichter Feiertag sein. Eine nachträglich festgestellte Störung gehört nicht in dieselbe Kategorie. Wer beides vermischt, lässt die Prognose mit Wissen arbeiten, das im echten Einsatz noch gar nicht verfügbar gewesen wäre.
Eine künstliche Reihe und ein fester Schnitt
Für den Einstieg kannst du eine vierwöchige, frei erfundene Tagesreihe verwenden. Die ersten drei Wochen bilden die verfügbare Vergangenheit. Die letzte Woche hältst du für den Vergleich zurück. Die Zahlen stehen hier als Lehrdaten und beschreiben keinen tatsächlichen Betrieb.
wochen = [
[10, 18, 11, 12, 16, 5, 4],
[11, 19, 12, 12, 17, 6, 4],
[12, 20, 12, 13, 18, 5, 5],
[12, 21, 13, 14, 18, 6, 5],
]
vergangenheit = sum(wochen[:3], [])
ist = wochen[3]
vorwoche = vergangenheit[-7:]
mae = sum(abs(a-b) for a, b in zip(vorwoche, ist)) / len(ist)
print("Mittlerer absoluter Fehler der Vorwochenregel:", mae)Die Referenzregel übernimmt für jeden Tag den entsprechenden Wert der letzten bekannten Woche. Das Beispiel lässt sich mit Python ohne Modellzugang ausführen. Es erzeugt ausschließlich einen Vergleichswert für diese künstlichen Daten; es misst Timestral nicht.
Erst eine tatsächlich erzeugte Modellprognose würde als zweite Schätzung danebenstehen. Sie darf nur die freigegebene Vergangenheit und zu diesem Zeitpunkt bekannte Zusatzinformationen verwenden. Notiere den Schnitt ausdrücklich, damit niemand versehentlich die zurückgehaltene Woche als Eingabe übergibt.
Mehrere Zeitfenster statt einer glücklichen Woche
Ein einzelner zurückgehaltener Abschnitt kann besonders leicht oder besonders ungewöhnlich sein. Für einen späteren aussagekräftigeren Vergleich verschiebst du den Schnitt schrittweise nach hinten. Jede Vorhersage sieht jeweils nur die damalige Vergangenheit. Dieses Prinzip macht sichtbar, ob ein Vorteil an einer einzelnen günstigen Woche hängt.
Halte die Messgröße fest. Der mittlere absolute Fehler behandelt Abweichungen nach ihrem Betrag. Für eine konkrete Entscheidung können zu hohe und zu niedrige Schätzungen trotzdem unterschiedliche Folgen haben. Fehlendes Material und ungenutzter Bestand sind beispielsweise verschiedene Probleme, auch wenn die numerische Abweichung gleich groß ist.
Eine Bandbreite ist eine zusätzliche Aussage
Probabilistische Prognosen können mehrere mögliche Verläufe beziehungsweise Bereiche beschreiben. Ein schattierter Bereich sollte deshalb eine erklärte Bedeutung besitzen. Er ist weder automatisch eine Garantie noch bloße Dekoration um eine Mittellinie.
Prüfe bei einer tatsächlich verfügbaren Ausgabe, welche Quantile oder Wahrscheinlichkeitsangaben sie enthält. Beschrifte ein Diagramm entsprechend. Eine breite Spanne kann für eine Planung nützlicher sein als eine scheinbar sichere Einzelzahl, wenn sie Unsicherheit ehrlich sichtbar macht.
Was du aus dem Versuch mitnehmen kannst
Die erste Erkenntnis benötigt noch keine Modellrangliste: Eine Prognose muss gegen eine verständliche Regel und ohne Zukunftswissen beurteilt werden. Das kleine Skript liefert dafür einen unabhängigen Ausgangspunkt. Danach kannst du prüfen, ob ein aufwendigerer Weg für deinen Zeitraum zusätzlichen Nutzen bringt.
Timestral macht solche spezialisierten Modelle zu einer interessanten KI-Nachricht. Die praktische Frage bleibt konkret: Welche Vorhersage wird gebraucht, welche Informationen waren verfügbar und welche Fehler sind für die Entscheidung relevant? Eine sauber gezogene Zeitgrenze erklärt hier mehr als eine besonders eindrucksvolle Kurve.
Quellen und Stand
Quellenstand: 25. Oktober 2026. Introducing Timestral.
